Google DeepMind представила Gemini Robotics 2: роботы работают локально, но требуют пересмотра окупаемости
Gemini Robotics 2 переводит индустрию с облачных подписок на локальное «железо», смещая экономику автоматизации в сторону капитальных затрат и снижая зависимость от стабильного интернета. При этом рост автономности требует внедрения внешних ИИ-аудиторов для контроля ошибок, что меняет структуру расходов предприятий на безопасность.
Google DeepMind — одна из самых известных и влиятельных компаний в мире искусственного интеллекта. Основанная в 2010 году в Лондоне как DeepMind Technologies, компания стала символом прорыва в разработке ИИ-систем, способных решать сложные задачи, от игр до биологических исследований. В 2014 году она была приобретена Google за сумму, оцениваемую от $400 до $650 миллионов, что стало одним из ключевых событий в истории развития технологий искусственного интеллекта.
Google DeepMind сместила фокус с абстрактных чат-ботов на физический мир: роботы теперь действуют всем телом, а алгоритмы учатся в виртуальной среде. Но за этим прогрессом скрывается противоречие: чем умнее машина, тем сложнее гарантировать ее безопасность без постоянного человеческого контроля.
Как работает новый стандарт автоматизации
Платформа Gemini Robotics 2, представленная в конце июля 2026 года, меняет подход к управлению промышленными машинами. В отличие от старых систем, требующих жесткой записи сценариев для каждого действия, новые модели самостоятельно планируют траектории и координируют движения всего тела. Это позволяет роботам работать в тесных помещениях и адаптироваться к новым задачам за считанные часы без переписывания кода.
Ключевым элементом стала возможность локальной работы. Модель On-Device 2 функционирует непосредственно на вычислительном блоке робота, не требуя постоянного подключения к интернету. Для бизнеса это означает снижение рисков при сбоях связи и ускорение реакции на изменения в производственной среде. Однако есть нюанс: локальный инференс требует модернизации «железа» самих роботов, что увеличивает первоначальные капитальные затраты.
Переход от облачных моделей к локальным чипам внутри робота — это не просто техническое улучшение. Это смена бизнес-модели: стоимость автоматизации смещается с подписки на облачные сервисы в сторону закупки более мощного оборудования, что меняет расчет окупаемости проектов для среднего бизнеса.
Почему симуляция стала обязательной
Обучение роботов в реальном мире дорого и опасно. Одна ошибка может привести к поломке дорогостоящего станка или травме сотрудника. Поэтому Google DeepMind совместно с NVIDIA и Disney Research разработала открытый физический движок Newton. Он позволяет генерировать тысячи часов опыта в виртуальной среде за долю стоимости реальных испытаний.
Движок поддерживает различные типы физических систем — от жестких манипуляторов до мягких тканей. Это снижает барьер входа для разработчиков, которым больше не нужны суперкомпьютеры для базовых экспериментов. Важным дополнением стал бенчмарк ASIMOV-Agentic, оценивающий способность робота отказываться от опасных команд и прогнозировать риски при работе рядом с людьми.
Безопасность как главный тормоз прогресса
Главная проблема физического ИИ заключается в том, что ошибка алгоритма здесь имеет материальные последствия. В отличие от текстового чат-бота, который может выдать некорректный ответ, робот может нанести физический ущерб. Google DeepMind признает, что даже обученные модели могут ошибаться из-за неверной интерпретации инструкций или чрезмерного «рвения».
Компания внедрила стратегию «защиты в глубину», которая не полагается исключительно на качество обучения нейросети. Вместо этого используются внешние механизмы контроля:
- Мониторинг действий агентов другими ИИ-системами.
- Моделирование угроз с опорой на стандарты MITRE ATT&CK.
- Мгновенное предотвращение вредоносных или опасных действий.
Анализ миллиона задач показал, что большинство срабатываний защиты вызвано не злонамеренностью, а ошибками логики агента. Это создает риск ложных блокировок полезной работы, но в промышленном контексте цена ошибки выше, чем потеря производительности из-за паузы на проверку.
Что это значит для рынка и бизнеса
Внедрение этих технологий меняет экономику робототехники. Единая программная платформа позволяет использовать разные модели роботов без переписывания кода под новое оборудование. Это снижает зависимость от конкретных производителей «железа» и открывает путь к гибкой автоматизации.
Для руководителей важно понимать, что инвестиции в ИИ-роботов теперь включают не только стоимость самой машины, но и расходы на инфраструктуру безопасности. Компании придется пересмотреть протоколы тестирования: визуальная реалистичность предсказаний модели больше не гарантирует безопасность действий.
Если компании продолжат полагаться только на внутренние алгоритмы без внешних барьеров контроля, то к 2030 году рост числа автономных агентов приведет к системным сбоям в цифровой экономике, что сделает обязательным внедрение независимых аудиторских ИИ-систем для каждой промышленной установки.
🤖 Сводка сформирована на основе фактов из Календаря и обновляется при поступлении новых данных.
📅 Последнее обновление сводки: 1 сентября 2026.
